یادگیری پیوسته (Continual Learning) با چالشهای بزرگی روبروست، بهویژه وقتی دادهها نامتوازن (Long-Tailed) باشند. محققان به تازگی فریمورک جدیدی به نام «GSR» (Geometry-Spectral Rectification) را معرفی کردهاند که مشکل رایج «سقوط طیفی» در روشهای مبتنی بر رگرسیون را حل میکند.
این روش با فیلتر کردن هوشمندانه مقادیر ویژه، به مدل اجازه میدهد حتی در کلاسهای «دمدراز» که دادههای کمی دارند، با دقت بالا آموزش ببیند و دیگر میانگینگیریهای ساده مانع یادگیری دقیق کلاسهای کمیاب نشوند. یک گام مهم برای بهینهسازی مدلهای هوش مصنوعی در دنیای واقعی!
منبع: arXiv Computer Vision